【Python机器学习】感知器进行信用分类和使用KNN进行图书推荐实战（附源码和数据集）

绝地灬酷狼 2023-09-30 18:26 12阅读 0赞

> **需要源码和数据集请点赞关注收藏后评论区留言私信~~~**

## 一、KNN进行图书推荐 ##

### KNN算法思想简介 ###

KNN 可以说是最简单的分类算法之一，同时，它也是最常用的分类算法之一。注意：KNN 算法是有监督学习中的分类算法，它看起来和另一个机器学习算法 K-means 有点像（K-means 是无监督学习算法），但却是有本质区别的。

KNN 的全称是 K Nearest Neighbors，意思是 K 个最近的邻居。从这个名字我们就能看出一些 KNN 算法的蛛丝马迹了。K 个最近邻居，毫无疑问，K 的取值肯定是至关重要的，那么最近的邻居又是怎么回事呢？其实，KNN 的原理就是当预测一个新的值 x 的时候，根据它距离最近的 K 个点是什么类别来判断 x 属于哪个类别。

要度量空间中点距离的话，有好几种度量方式，比如常见的曼哈顿距离计算、欧式距离计算等等。不过通常 KNN 算法中使用的是欧式距离。这里只是简单说一下，拿二维平面为例，二维空间两个点的欧式距离计算公式如下：

![fce64c03fc274e049ad5b377ee64dd3a.png][]

该如何确定 K 取多少值好呢？答案是通过交叉验证（将样本数据按照一定比例，拆分出训练用的数据和验证用的数据，比如6：4拆分出部分训练数据和验证数据），从选取一个较小的 K 值开始，不断增加 K 的值，然后计算验证集合的方差，最终找到一个比较合适的 K 值。

![d5d0fa2a5416419c8d11ca9c2490c65c.png][]

#### 描述：下面比表7.5中是一个图书网站的数据，有5位用户对4本图书进行了评分。详细评分的值越大表示喜好越强烈。使用KNN模型找出与用户F最相似的用户。 ####

![2f2cad7635504f33b86ecff7e9627e56.png][]

预测结果如下 用户C与用户F喜好最为相似

![19cc0daf8f4b41cda8bdf32212d337e9.png][]

部分代码如下

# -*- coding: utf-8 -*-
    import numpy as np
    from sklearn import neighbors
    knn = neighbors.KNeighborsClassifier(1)   #取得 knn 分类器
    data = np.array([[1.1, 1.5, 1.4, 0.2],
                     [1.9, 1.0, 1.4 ,0.2],
                     [1.7, 1.2, 1.3, 0.2],
                     [2.6, 2..2]])
    labels = np.array(['A','B','C','D','E'])
    knn.fit(data)
    print("预测结果：",knn.predict(np.array([[1.6, 1.5, 1.2, 0.1]]).reshape(1,-1)))

## 二、使用感知器Perceptron进行信用分类 ##

感知机（perceptron），又称“人工神经元”或“朴素感知机”，由Frank Rosenblatt于1957年提出。作为神经网络的起源算法，通过深入学习可以帮助我们更好的理解神经网络的部分工作原理。

感知机接受多个输入信号，输出一个信号。感知机的信号只有“0（不传递信号）”和“1（传递信号）”两种。

单个感知机的局限性就在于它只能表示由一条直线分割的空间，对于非线性问题（即**线性不可分**问题）仅用单个感知机无法解决。

使用感知器对信用分类结果如下

![bde840e58f15485a8a1edd4e6bfe7ac5.png][]

可以看出有一条很明显的分界线将信用分成两个部分

![85d912b8a6cf4270b8dc8b36a9fe03f7.png][]

部分代码如下

# -*- encoding:utf-8 -*-
    from sklearn.linear_model import Perceptron
    from sklearn.cross_validation import train_test_split
    from matplotlib import pyplot as plt
    import numpy as np
    import pandas as pd
    
    def loaddata(): 
        people = pd.read_csv("credit-overdue.csv", header=0) # 加载数据集
        X = people[['debt','income']].values
        y = people['overdue'].values
        return X,y 
    
    print("Step1:read data...")
    x,y=loaddata() 
    
    #拆分为训练数据和测试数据
    print("Step2:fit by Perceptron...")
    x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,random_state=0) 
    
    #将两类值分别存放、以便显示
    positive_x1=[x[i,0]for i in range(len(y)) if y[i]==1]
    positive_x2range(len(y)) if y[i]==0] 
    
    #定义感知机
    clf=Perceptron(n_iter=100)
    clf.fit(x_train,y_train)
    print("Step3:get the weights and bias...")
    
    #得到结果参数
    weights=clf.coef_
    bias=clf.intercept_
    print('  权重为：',weights,'\n  截距为：',bias)
    print("Step4:compute the accuracy...")    
    
    #使用测p5:draw with the weights and bias...")
    plt.scatter(positive_x1,positive_x2, marker='^',c='red')
    plt.scatter(negetive_x1,negetive_x2,c='blue')
    
    #显示感知机生成的分类线 
    line_x=np.arange(0,4)
    line_y=line_x*(-weights[0][0]/weights[0][1])-bias
    plt.plot(line_x,line_y)
    plt.show()

**创作不易 觉得有帮助请点赞关注收藏~~~**

[fce64c03fc274e049ad5b377ee64dd3a.png]: https://img-blog.csdnimg.cn/fce64c03fc274e049ad5b377ee64dd3a.png
[d5d0fa2a5416419c8d11ca9c2490c65c.png]: https://img-blog.csdnimg.cn/d5d0fa2a5416419c8d11ca9c2490c65c.png
[2f2cad7635504f33b86ecff7e9627e56.png]: https://img-blog.csdnimg.cn/2f2cad7635504f33b86ecff7e9627e56.png
[19cc0daf8f4b41cda8bdf32212d337e9.png]: https://img-blog.csdnimg.cn/19cc0daf8f4b41cda8bdf32212d337e9.png
[bde840e58f15485a8a1edd4e6bfe7ac5.png]: https://img-blog.csdnimg.cn/bde840e58f15485a8a1edd4e6bfe7ac5.png
[85d912b8a6cf4270b8dc8b36a9fe03f7.png]: https://img-blog.csdnimg.cn/85d912b8a6cf4270b8dc8b36a9fe03f7.png